接触网视频图像云端智能监测与故障识别方法技术

本发明专利技术涉及接触网视频图像云端智能监测与故障识别方法，通过（1）模型训练、（2）视频图像采集与传输、（3）视频图像数据分布式存储、（4）智能监测与故障识别任务调度、（5）接触网状态检修流程化操作五个步骤实现。本发明专利技术通过采集高铁线路接触网正常状态图像和部件异常图像，建立正常状态标准图像库和部件异常图像库，然后基于深度学习技术构造基于正常状态标准图像库构建接触网状态比对算法和接触网部件故障识别算法，为接触网非接触网式监测提供了可行方法。

Cloud-end Intelligent Monitoring and Fault Recognition Method for Catenary Video Images

【技术实现步骤摘要】
接触网视频图像云端智能监测与故障识别方法
本专利技术涉及电气化铁路接触网故障智能分析领域，具体涉及一种接触网视频图像云端智能监测与故障识别方法。
技术介绍
接触网系统是电气化铁路系统重要的组成部分，承担将牵引网中的电能输送给电力机车的关键工作。受电弓和接触网装置之间存在复杂的力学、电气交互影响，列车长期运行产生的振动和冲击不可避免地使接触网支持装置出现故障，例如腕臂连接件的紧固件出现松脱甚至脱落，严重影响列车的安全运行。接触网在户外环境中风吹日晒，易于破损（接触线磨耗、绝缘子破裂等），异物悬挂现象（如树枝和塑料袋悬挂、鸟窝等）时有发生。这些问题可能形成列车运行安全隐患，为保障高速铁路的行车安全，国内外均对铁路接触网巡检工作和技术进步非常重视。目前铁路接触网系统的巡检工作主要依靠接触式检测和非接触式检测两种方式。接触式检测主要是利用传感器采集弓网系统装置上不同类型的参数，继而分析接触网系统结构或零部件装置是否存在问题。但对接触网部件表面破损、异常和异物入侵等，这些安全隐患无法使用接触式手段进行检测，需要利用安装在列车或铁路上的拍摄装置对接触网系统进行视频和图像采集，通过人工查看视频或图像发现异常或故障。人工查找会由于受视觉疲劳、个人情绪、责任心等因素的影响，难免出现漏判或误判，而且效率较低下，人员成本高。国内外铁路部门非常重视基于视频图像的接触网非接触式检测技术的研究。早在2007年，日本就开发了通过安装在普通运营列车车顶的摄像机获取受电弓周边连续图像，检测弓网接触点状况。近年来，我国一些高校和科研机构也开始尝试接触网视频检测技术研究，但只是对接触网个别部件的异常识别，还没有形成完整的接触网运行状态检测与故障识别系统。我国制定了高铁供电6C检测系统，实现对铁路接触网系统全方位监测检测，其中：接触网安全巡检装置（2C）搭载于运营动车组，对接触网的状态进行视频采集；接触网悬挂状态检测监测装置（4C）搭载在接触网作业车或专用车辆上，对接触网悬挂系统的零部件实施高精度成像记录；受电弓滑板监测装置（5C）搭载在车站和动车库出入线，采集受电弓碳滑板状态的视频图像。但对所获取的视频图像分析主要是通过工作人员观察确定故障或异常状态，实时性差、费时费力、准确度有限。我国高铁供电6C检测系统运行积累的视频图像为接触网智能状态检测与故障识别提供了数据支撑。发展基于视频或图像的非接触式智能监测检测技术，已成为接触网监测检测技术的重点发展方向。随着高清摄像设备的普及、高铁成像检测车及相关成像技术批量化生产，以及图像处理与视频分析、大数据存储、大数据处理与分析技术的发展，研发接触网视频图像智能监测系统具备了可行性。许多学者提出了多种接触网部件故障识别算法，但没有形成完整的应用解决方案。
技术实现思路
本专利技术的目的是提供一种接触网视频图像云端智能监测与故障识别方法，形成接触网视频图像智能监测与故障识别的云架构解决方案，并应用与高铁运营和专业检测实际工作中，克服人工浏览视频劳动强度大、难免漏判和误判等困难，为接触网检修提供可靠依据，提高接触网维护、维修工作效率。本专利技术所采用的技术方案为：接触网视频图像云端智能监测与故障识别方法，其特征在于：所述方法包括以下步骤：（1）模型训练：采集高铁线路接触网正常状态图像和部件异常图像，建立正常状态标准图像库和部件异常图像库；然后构造两种类型算法，一种是基于正常状态标准图像库构建接触网状态比对算法，用于发现接触网整体异常情况；另一种是接触网部件故障识别算法，该算法是基于深度学习方法通过部件异常图像库训练的故障识别模型所形成的算法；（2）视频图像采集与传输；运营列车或接触网作业车上的摄像机拍摄接触网全景和部件局部图像，将本地缓存的图像数据上传到云中心；（3）视频图像数据分布式存储：系统接收步骤（2）上传的图像数据，并将其存储于HBase数据库中；（4）智能监测与故障识别任务调度：系统监测接收到待识别的图像，调度系统分配计算资源，以Docker容器运行智能监测与故障识别算法，并将监测与故障识别结果保存数据库中；（5）接触网状态检修流程化操作。2、根据权利要求1所述的接触网视频图像云端智能监测与故障识别方法，其特征在于：步骤（1）具体为：(1.1)建立接触网正常状态标准数据集：具体地，在运营列车驾驶室安装摄像头，摄取线路全部视频图像，每一跨段抽取三帧图片：按里程抽取存储支柱近处拍摄的接触网全貌图片，以接触网支柱编号为文件名存储；每跨段支柱近处拍摄的接触网全貌图像，每一跨段内提取两帧图片，反映本跨段内承力索、接触线和吊弦的部件状态；(1.2)训练基于正常接触网状态图像的监测模型，利用高铁2C系统采集接触网吊弦、定位器、绝缘子的部位图像，与其历史正常图像进行比对，监测当前结构件是否变化、变化的趋势和变化的类型，实现异常检测，具体流程如下：(1.2a)以支柱为基准对不同时间采集的图像进行对齐配准，最大程度消除由于车速、光线的外部因素造成的图像错位问题；(1.2b)进行图像预处理，以消除噪声对图像特征信息的混淆；(1.2c)采用深度网络自编码器提取特征，并进行特征匹配，通过粗略局部比对找寻与接触网历史正常图像无法匹配的特征区域，将其作为待识别故障区域；(1.2d)将待识别故障区域作为模板，搜寻整幅接触网历史正常图像，精准定位故障位置；(1.2e)若匹配成功，表明该部位无异常，否则该部位发生异常；(1.3)建立接触网部件故障识别数据集，具体地，从4C获取的接触网图片中，按部件选取正常图片和异常图片，再通过GAN对抗网络技术生成异常样本，使得其总数基本与正常图片个数相同；(1.4)训练接触网部件故障识别模型，具体地，以I-RFCN深度网络训练接触网关键部件故障识别模型，具体步骤如下：(1.4a)接触网图像预处理模块输出的图片随机划分为三组数据集，分别作为训练集、验证集和测试集；(1.4b)利用训练集及其标注信息，对接触网I-RFCN网络模型进行训练，并基于贝叶斯优化的思想，根据训练集、验证集识别率关系对模型的参数进行调整，初步得到接触网关键部件识别的网络模型；(1.4c)利用得到的模型对验证集测试集进行测试，设定阈值，统计接触网部件识别准确率是否达到阈值，若达到则保存接触网I-RFCN网络模型，否则，根据测试集、训练集、验证集准确率及通过扩充接触网关键部件图像样本对模型参数进行调整。3、根据权利要求2所述的接触网视频图像云端智能监测与故障识别方法，其特征在于：步骤（2）中，接触网图像数据传输模块基于4G/5G高速传输接触网视频图像数据到分布式存储系统，2C和4C系统在机车上安装本地高速SSD缓存，将拍摄的视频和图像暂存于本地；2C系统增加边缘计算，将需要识别的图片从视频中遴选出来缓存于本地存储中，边缘服务器通过高速网络定时将缓存中的2C和4C图片通过AsperaFASP™高效协议传输到云平台服务器的分布式存储中。4、根据权利要求3所述的接触网视频图像云端智能监测与故障识别方法，其特征在于：步骤（3）中，图像分布式存储模块接收大量运营列车和检测列车采集的接触网图像文件，并存储与分布式文件系统中；具体地，采用基于HDFS文件系统和HBase列式数据库，并对其改进使其适用于超过1MB的图像文件的分布式存储；解决具体做本文档来自技高网...

【技术保护点】
1.接触网视频图像云端智能监测与故障识别方法，其特征在于：所述方法包括以下步骤：（1）模型训练：采集高铁线路接触网正常状态图像和部件异常图像，建立正常状态标准图像库和部件异常图像库；然后构造两种类型算法，一种是基于正常状态标准图像库构建接触网状态比对算法，用于发现接触网整体异常情况；另一种是接触网部件故障识别算法，该算法是基于深度学习方法通过部件异常图像库训练的故障识别模型所形成的算法；（2）视频图像采集与传输；运营列车或接触网作业车上的摄像机拍摄接触网全景和部件局部图像，将本地缓存的图像数据上传到云中心；（3）视频图像数据分布式存储：系统接收步骤（2）上传的图像数据，并将其存储于HBase数据库中；（4）智能监测与故障识别任务调度：系统监测接收到待识别的图像，调度系统分配计算资源，以Docker容器运行智能监测与故障识别算法，并将监测与故障识别结果保存数据库中；（5）接触网状态检修流程化操作。

【技术特征摘要】
1.接触网视频图像云端智能监测与故障识别方法，其特征在于：所述方法包括以下步骤：（1）模型训练：采集高铁线路接触网正常状态图像和部件异常图像，建立正常状态标准图像库和部件异常图像库；然后构造两种类型算法，一种是基于正常状态标准图像库构建接触网状态比对算法，用于发现接触网整体异常情况；另一种是接触网部件故障识别算法，该算法是基于深度学习方法通过部件异常图像库训练的故障识别模型所形成的算法；（2）视频图像采集与传输；运营列车或接触网作业车上的摄像机拍摄接触网全景和部件局部图像，将本地缓存的图像数据上传到云中心；（3）视频图像数据分布式存储：系统接收步骤（2）上传的图像数据，并将其存储于HBase数据库中；（4）智能监测与故障识别任务调度：系统监测接收到待识别的图像，调度系统分配计算资源，以Docker容器运行智能监测与故障识别算法，并将监测与故障识别结果保存数据库中；（5）接触网状态检修流程化操作。2.根据权利要求1所述的接触网视频图像云端智能监测与故障识别方法，其特征在于：步骤（1）具体为：(1.1)建立接触网正常状态标准数据集：具体地，在运营列车驾驶室安装摄像头，摄取线路全部视频图像，每一跨段抽取三帧图片：按里程抽取存储支柱近处拍摄的接触网全貌图片，以接触网支柱编号为文件名存储；每跨段支柱近处拍摄的接触网全貌图像，每一跨段内提取两帧图片，反映本跨段内承力索、接触线和吊弦的部件状态；(1.2)训练基于正常接触网状态图像的监测模型，利用高铁2C系统采集接触网吊弦、定位器、绝缘子的部位图像，与其历史正常图像进行比对，监测当前结构件是否变化、变化的趋势和变化的类型，实现异常检测，具体流程如下：(1.2a)以支柱为基准对不同时间采集的图像进行对齐配准，最大程度消除由于车速、光线的外部因素造成的图像错位问题；(1.2b)进行图像预处理，以消除噪声对图像特征信息的混淆；(1.2c)采用深度网络自编码器提取特征，并进行特征匹配，通过粗略局部比对找寻与接触网历史正常图像无法匹配的特征区域，将其作为待识别故障区域；(1.2d)将待识别故障区域作为模板，搜寻整幅接触网历史正常图像，精准定位故障位置；(1.2e)若匹配成功，表明该部位无异常，否则该部位发生异常；(1.3)建立接触网部件故障识别数据集，具体地，从4C获取的接触网图片中，按部件选取正常图片和异常图片，再通过GAN对抗网络技术生成异常样本，使得其总数基本与正常图片个数相同；(1.4)训练接触网部件故障识别模型，具体地，以I-RFCN深度网络训练接触网关键部件故障识别模型，具体步骤如下：(1.4a)接触网图像预处理模块输出的图片随机划分为三组数据集，分别作为训练集、验证集和测试集...

【专利技术属性】
技术研发人员：张珹，张学武，聂晶鑫，田升平，李飞，靖稳峰，乔琛，王玉环，郑刚，金光，张晓栋，赵玮，吴亚飞，李晋，刘刚，宫衍圣，隋延民，
申请(专利权)人：中铁第一勘察设计院集团有限公司，
类型：发明
国别省市：陕西,61